问预取示例？
EN

Stack Overflow用户

提问于 2011-09-07 09:37:45

回答 5查看 34K关注 0票数 67

有没有人能给出一个例子或者指向一个例子的链接，这个例子在“GCC”中使用了__builtin_prefetch (或者仅仅是asm指令prefetcht0 )来获得显著的性能优势？特别是，我希望这个示例满足以下标准：

这是一个简单、小、自包含的example.

Removing degradation.

Replacing

__builtin_prefetch指令会导致性能下降__builtin_prefetch指令与相应的内存访问会导致性能下降。

也就是说，我想要一个最短的示例，展示__builtin_prefetch执行一个没有它就无法管理的优化。

gcc

optimization

assembly

prefetch

回答 5

Stack Overflow用户

回答已采纳

发布于 2011-09-07 10:13:31

这是我从一个更大的项目中提取的一段实际代码。(对不起，这是我能找到的最短的一个，预取带来了明显的加速。)这段代码执行非常大的数据转置。

此示例使用SSE预取指令，该指令可能与GCC发出的指令相同。

要运行此示例，您需要为x64编译此代码，并具有4 4GB以上的内存。您可以使用较小的数据大小运行它，但它在时间上太快了。

#include <iostream>
using std::cout;
using std::endl;

#include <emmintrin.h>
#include <malloc.h>
#include <time.h>
#include <string.h>

#define ENABLE_PREFETCH


#define f_vector    __m128d
#define i_ptr       size_t
inline void swap_block(f_vector *A,f_vector *B,i_ptr L){
    //  To be super-optimized later.

    f_vector *stop = A + L;

    do{
        f_vector tmpA = *A;
        f_vector tmpB = *B;
        *A++ = tmpB;
        *B++ = tmpA;
    }while (A < stop);
}
void transpose_even(f_vector *T,i_ptr block,i_ptr x){
    //  Transposes T.
    //  T contains x columns and x rows.
    //  Each unit is of size (block * sizeof(f_vector)) bytes.

    //Conditions:
    //  - 0 < block
    //  - 1 < x

    i_ptr row_size = block * x;
    i_ptr iter_size = row_size + block;

    //  End of entire matrix.
    f_vector *stop_T = T + row_size * x;
    f_vector *end = stop_T - row_size;

    //  Iterate each row.
    f_vector *y_iter = T;
    do{
        //  Iterate each column.
        f_vector *ptr_x = y_iter + block;
        f_vector *ptr_y = y_iter + row_size;

        do{

#ifdef ENABLE_PREFETCH
            _mm_prefetch((char*)(ptr_y + row_size),_MM_HINT_T0);
#endif

            swap_block(ptr_x,ptr_y,block);

            ptr_x += block;
            ptr_y += row_size;
        }while (ptr_y < stop_T);

        y_iter += iter_size;
    }while (y_iter < end);
}
int main(){

    i_ptr dimension = 4096;
    i_ptr block = 16;

    i_ptr words = block * dimension * dimension;
    i_ptr bytes = words * sizeof(f_vector);

    cout << "bytes = " << bytes << endl;
//    system("pause");

    f_vector *T = (f_vector*)_mm_malloc(bytes,16);
    if (T == NULL){
        cout << "Memory Allocation Failure" << endl;
        system("pause");
        exit(1);
    }
    memset(T,0,bytes);

    //  Perform in-place data transpose
    cout << "Starting Data Transpose...   ";
    clock_t start = clock();
    transpose_even(T,block,dimension);
    clock_t end = clock();

    cout << "Done" << endl;
    cout << "Time: " << (double)(end - start) / CLOCKS_PER_SEC << " seconds" << endl;

    _mm_free(T);
    system("pause");
}

当我在启用ENABLE_PREFETCH的情况下运行它时，输出如下：

bytes = 4294967296
Starting Data Transpose...   Done
Time: 0.725 seconds
Press any key to continue . . .

当我在禁用ENABLE_PREFETCH的情况下运行它时，输出如下：

bytes = 4294967296
Starting Data Transpose...   Done
Time: 0.822 seconds
Press any key to continue . . .

因此，预取的速度提高了13%。

编辑：

下面是更多的结果：

Operating System: Windows 7 Professional/Ultimate
Compiler: Visual Studio 2010 SP1
Compile Mode: x64 Release

Intel Core i7 860 @ 2.8 GHz, 8 GB DDR3 @ 1333 MHz
Prefetch   : 0.868
No Prefetch: 0.960

Intel Core i7 920 @ 3.5 GHz, 12 GB DDR3 @ 1333 MHz
Prefetch   : 0.725
No Prefetch: 0.822

Intel Core i7 2600K @ 4.6 GHz, 16 GB DDR3 @ 1333 MHz
Prefetch   : 0.718
No Prefetch: 0.796

2 x Intel Xeon X5482 @ 3.2 GHz, 64 GB DDR2 @ 800 MHz
Prefetch   : 2.273
No Prefetch: 2.666

票数 67

Stack Overflow用户

发布于 2015-07-29 06:18:15

二进制搜索是一个简单的例子，它可以从显式预取中受益。对于硬件预取器来说，二分搜索中的访问模式看起来非常随机，因此它几乎不可能准确地预测要获取的内容。

在这个例子中，我预取了当前迭代中下一个循环迭代的两个可能的“中间”位置。其中一个预取可能永远不会被使用，但另一个将被使用(除非这是最终迭代)。

 #include <time.h>
 #include <stdio.h>
 #include <stdlib.h>

 int binarySearch(int *array, int number_of_elements, int key) {
         int low = 0, high = number_of_elements-1, mid;
         while(low <= high) {
                 mid = (low + high)/2;
            #ifdef DO_PREFETCH
            // low path
            __builtin_prefetch (&array[(mid + 1 + high)/2], 0, 1);
            // high path
            __builtin_prefetch (&array[(low + mid - 1)/2], 0, 1);
            #endif

                 if(array[mid] < key)
                         low = mid + 1; 
                 else if(array[mid] == key)
                         return mid;
                 else if(array[mid] > key)
                         high = mid-1;
         }
         return -1;
 }
 int main() {
     int SIZE = 1024*1024*512;
     int *array =  malloc(SIZE*sizeof(int));
     for (int i=0;i<SIZE;i++){
       array[i] = i;
     }
     int NUM_LOOKUPS = 1024*1024*8;
     srand(time(NULL));
     int *lookups = malloc(NUM_LOOKUPS * sizeof(int));
     for (int i=0;i<NUM_LOOKUPS;i++){
       lookups[i] = rand() % SIZE;
     }
     for (int i=0;i<NUM_LOOKUPS;i++){
       int result = binarySearch(array, SIZE, lookups[i]);
     }
     free(array);
     free(lookups);
 }

当我在启用DO_PREFETCH的情况下编译和运行这个示例时，我发现运行时间减少了20%：

 $ gcc c-binarysearch.c -DDO_PREFETCH -o with-prefetch -std=c11 -O3
 $ gcc c-binarysearch.c -o no-prefetch -std=c11 -O3

 $ perf stat -e L1-dcache-load-misses,L1-dcache-loads ./with-prefetch 

  Performance counter stats for './with-prefetch':

    356,675,702      L1-dcache-load-misses     #   41.39% of all L1-dcache hits  
   861,807,382      L1-dcache-loads                                             

   8.787467487 seconds time elapsed

 $ perf stat -e L1-dcache-load-misses,L1-dcache-loads ./no-prefetch 

 Performance counter stats for './no-prefetch':

   382,423,177      L1-dcache-load-misses     #   97.36% of all L1-dcache hits  
   392,799,791      L1-dcache-loads                                             

  11.376439030 seconds time elapsed

请注意，我们在预取版本中执行的L1缓存加载是预取版本的两倍。我们实际上做了更多的工作，但内存访问模式对流水线更友好。这也显示了权衡。虽然这段代码在隔离情况下运行速度更快，但我们已经将大量垃圾加载到缓存中，这可能会给应用程序的其他部分带来更大的压力。

票数 40

Stack Overflow用户

发布于 2018-05-11 03:21:01

我从@JamesScriven和@Mystical提供的优秀答案中学到了很多。然而，他们的例子只给了一个适度的提振-这个答案的目标是提供一个(我必须承认有点人为的)例子，其中预取有更大的影响(在我的机器上大约是因子4)。

现代体系结构存在三个可能的瓶颈:CPU速度、内存带宽和内存延迟。预取就是为了减少内存访问的延迟。

在一个完美的场景中，延迟对应于X个计算步骤，我们将有一个oracle，它将告诉我们在X个计算步骤中我们将访问哪个内存，该数据的预取将被启动，并且它将在X个计算步骤之后及时到达。

对于很多算法来说，我们(几乎)处在这个完美的世界里。对于一个简单的For循环，很容易预测X步之后需要哪些数据。乱序执行和其他硬件技巧在这里做得很好，几乎完全隐藏了延迟。

这就是为什么@Mystical的例子有如此适度的改进的原因:预取器已经很好了-只是没有太多的改进空间。该任务也是内存受限的，因此可能不会留下太多带宽-它可能会成为限制因素。在我的机器上，我最多只能看到大约8%的改进。

从@JamesScriven示例中得到的重要见解是:在从内存中获取当前数据之前，我们和CPU都不知道下一个访问地址-此依赖关系非常重要，否则无序执行将导致前瞻，并且硬件将能够预取数据。然而，因为我们只能推测一个步骤，所以没有那么大的潜力。我无法在我的机器上获得超过40%的分数。

因此，让我们操纵竞争，以这样一种方式准备数据，即我们知道哪个地址在X个步骤中被访问，但由于对尚未访问的数据的依赖性，硬件无法找到它(请参阅答案末尾的整个程序)：

//making random accesses to memory:
unsigned int next(unsigned int current){
   return (current*10001+328)%SIZE;
}

//the actual work is happening here
void operator()(){

    //set up the oracle - let see it in the future oracle_offset steps
    unsigned int prefetch_index=0;
    for(int i=0;i<oracle_offset;i++)
        prefetch_index=next(prefetch_index);

    unsigned int index=0;
    for(int i=0;i<STEP_CNT;i++){
        //use oracle and prefetch memory block used in a future iteration
        if(prefetch){
            __builtin_prefetch(mem.data()+prefetch_index,0,1);    
        }

        //actual work, the less the better
        result+=mem[index];

        //prepare next iteration
        prefetch_index=next(prefetch_index);  #update oracle
        index=next(mem[index]);               #dependency on `mem[index]` is VERY important to prevent hardware from predicting future
    }
}

以下是一些备注：

数据是以这样一种方式准备的，即oracle总是正确的。
可能令人惊讶的是，CPU占用的任务越少，加速越大:我们能够几乎完全隐藏延迟，因此加速是CPU-time+original-latency-time/CPU-time.

编译和执行leads：

>>> g++ -std=c++11 prefetch_demo.cpp -O3 -o prefetch_demo
>>> ./prefetch_demo
#preloops   time no prefetch    time prefetch   factor
...
7   1.0711102260000001  0.230566831 4.6455521002498408
8   1.0511602149999999  0.22651144600000001 4.6406494398521474
9   1.049024333 0.22841439299999999 4.5926367389641687
....

速度在4到5之间。

prefetch_demp.cpp列表

//prefetch_demo.cpp

#include <vector>
#include <iostream>
#include <iomanip>
#include <chrono>

const int SIZE=1024*1024*1;
const int STEP_CNT=1024*1024*10;

unsigned int next(unsigned int current){
   return (current*10001+328)%SIZE;
}


template<bool prefetch>
struct Worker{
   std::vector<int> mem;

   double result;
   int oracle_offset;

   void operator()(){
        unsigned int prefetch_index=0;
        for(int i=0;i<oracle_offset;i++)
            prefetch_index=next(prefetch_index);

        unsigned int index=0;
        for(int i=0;i<STEP_CNT;i++){
            //prefetch memory block used in a future iteration
            if(prefetch){
                __builtin_prefetch(mem.data()+prefetch_index,0,1);    
            }
            //actual work:
            result+=mem[index];

            //prepare next iteration
            prefetch_index=next(prefetch_index);
            index=next(mem[index]);
        }
   }

   Worker(std::vector<int> &mem_):
       mem(mem_), result(0.0), oracle_offset(0)
   {}
};

template <typename Worker>
    double timeit(Worker &worker){
    auto begin = std::chrono::high_resolution_clock::now();
    worker();
    auto end = std::chrono::high_resolution_clock::now();
    return std::chrono::duration_cast<std::chrono::nanoseconds>(end-begin).count()/1e9;
}


 int main() {
     //set up the data in special way!
     std::vector<int> keys(SIZE);
     for (int i=0;i<SIZE;i++){
       keys[i] = i;
     }

     Worker<false> without_prefetch(keys);
     Worker<true> with_prefetch(keys);

     std::cout<<"#preloops\ttime no prefetch\ttime prefetch\tfactor\n";
     std::cout<<std::setprecision(17);

     for(int i=0;i<20;i++){
         //let oracle see i steps in the future:
         without_prefetch.oracle_offset=i;
         with_prefetch.oracle_offset=i;

         //calculate:
         double time_with_prefetch=timeit(with_prefetch);
         double time_no_prefetch=timeit(without_prefetch);

         std::cout<<i<<"\t"
                  <<time_no_prefetch<<"\t"
                  <<time_with_prefetch<<"\t"
                  <<(time_no_prefetch/time_with_prefetch)<<"\n";
     }

 }

票数 5

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/7327994

复制

相似问题

问预取示例？
EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问预取示例？EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问预取示例？
EN